作者：王晗

近日，经过5日激战，人工智能 “冷扑大师”（Libratus）在德州扑克比赛中完胜中国“龙之队”的6名高手，斩获200万人民币奖金。

在人工智能频频挑战人类选手的当下，这样的战绩本身并不让人惊讶，但冷扑大师开发者托马斯•桑德霍姆(Tuomas Sandholm)的一番话却发人深思。在谈到阿尔法狗将来华挑战柯洁的消息时，桑德霍姆说：“问题的关键并不在于中国顶尖棋手能不能赢，而在于生活中几乎不存在像围棋这样的‘完美信息游戏’，因而阿尔法狗也缺乏实用场景。”

阿尔法狗缺乏实用场景！这无疑是人工智能发展中的一个重要命题。怎样让人工智能有更多商业实用场景，更是人工智能进入企业级应用，真正给传统产业带来变革的关键所在。

为解读这个重要命题，凤凰文创专门制作了全球领先的企业级人工智能应用公司Zementis首席执行官Michael Zeller的视频，看看企业级人工智能的未来到底在哪里？

企业级人工智能时代已经到来

我来探讨的是未来人工智能具体在企业中的作用，我们现在是一家企业中介公司，正如我所说的我们非常激动几年前参与了SAP初创企业聚焦计划，我们现在看到了人工智能带来的效益和成熟，以及预测性分析应用在进入市场，这一切已经开始走入主流。

有趣的是我们看到人们会提到这方面的负面影响，如岗位减少等，但与此同时数据科学变成了21世纪最吸引人的工作。当我学习物理时我确实没想到一个数据学家能够像物理学家一样抢手，因为这在之前从没出现过。当我的演示开始时，我想回过头讲一下这些争议性的问题，包括刚才你们听到的工作流失的问题。或许我先来一个小投票，现场有谁担心未来人工智能？或者是工作流失问题以及人工智能未来能为我们做什么？想想自动汽车，（AI）有可能是自动汽车也有可能是无人机。

著名的物理学家史蒂芬·霍金在数年前针对人工智能发起过讨论，认为人工智能可能意味着人类的末日，这可能比工作流失更糟糕，我觉得他虽然没有提到工作流失，在当前这个阶段我们已经看到纽约时报上有文章表示，我们可以放心，“终结者”离我们还很遥远，我虽然同意这点，但既然本时代最伟大的思考家（霍金）已经发出了担忧，那么我们还是要对此有所深思的。

我想表示的是未来企业级人工智能已经到来，因为如果你以产业为区分观察当前投资人工智能的顶级公司，所有公司都在进行，所有你听过的不同产业的公司品牌，而且并不仅在软件和网络领域，即传统的硅谷企业，而是金融服务、制造业、汽车业、工业自动化、所有人都在向人工智能投资，还有医疗，也是一个对于人工智能应用非常有前景的市场，电信、零售、用户体验等领域也同样如此。

人工智能可以释放企业数据的价值

所以为什么所有人都在投资人工智能？我觉得最简单的原因是人工智能可以释放企业数据的价值，利用这些（数据）来产生价值是我认为人工智能的终极应用。因此如果数据是新时代的石油，那么机器学习就是炼油厂。机器学习、预测性分析、数据发掘触及了人工智能的核心，而不是主流媒体上讲的人工智能。

人工智能正在经历一个大幅度的复苏，如果你对人工智能研究和数据科学有所了解，你会记得它们经历过起起伏伏，但现在我们看到几乎各行业都有智能数据驱动的决策，所以我们看到人工智能成为所有企业应用的核心能力，可以看做一个中间件堆栈（电脑术语），这就是我们看到的未来的人工智能，未来的机器学习和应用。但要发挥其最大效能我们需要的是对这些算法进行操作性的集成部署以及执行。数据科学，科学的这一方面确实很棒，很令人着迷，但要实现企业的成功，我们要实现操作性部署。

与以往不同，企业级人工智能正变得可行

思考一下人工智能正如我讲的之前经历了起起落落，主要由于达不到预期效能，所以为什么这次我认为不一样，很简单，我们对各种事物有了更多选择，我们现在有更多的可应用的模型，数据模型、机器学习模型、从简单到极其复杂的各种模型。

深度学习是人工智能和机器学习领域非常引人遐想的部分，它有图像处理、图像识别，它基本上打破了我们之前的所有认知，因此更复杂的模型正在变为主流。如果你把等式的左边看作数据科学，等式的右边就是企业，和IT环境，越来越多的平台拥有更大的存储能力，更强的计算能力。想想GPU（图像处理器）处理能力、基于云端的处理，都能够降低成本并且增强计算能力和拥有更复杂的算法。但是真正驱动这些的是数据，更多更多元化的数据。不仅仅是CRM系统，还有视频音频，在物联网领域还包括振动传感器数据，企业所能收集到的所有传感器数据等等。

所以有了更多数据、更多算法，虽然可能是出现了二三十年的算法，但现在我们能应用它们，有了更频繁的基于数据的更新，以及更有效的部署，这就使得企业使用预测性分析和人工智能变得可能。这些就是所改变之处，以及为什么现在（人工智能变得可行）。

企业级人工智能的未来在预测性分析上

人工智能现在变为主流，正如所提到的，我们在12月被收购，我们长期来曾是一家初创企业，我把这归咎于自己是物理学家，因为10年前我们创业时我认为这应该很简单，预测性分析、对于人工智能的操作性部署是大家都需要的，但事实上却花了整整10年这些才变为主流。最初是由大数据、物联网的传感器数据驱动的，现在我们能利用简单的计算设备应用这些数据，从而成为主流。所以企业级人工智能的未来就在这里。

如果想一想已有的用户使用案例，物联网、欧洲的工业4.0等，预测性维护和质量管控已经变为应用的常态，所以如果你要采集数据，在业务上借助我们帮助，它可以极大的帮助操作处理的过程。在金融领域，信用卡诈骗检测、实时诈骗侦测基本上是最原始的。

第一种神经网络的成功应用，它从90年代起开始出现，现在我们看到它被应用在各领域。可以想想，客户分析、用户体验、用户偏好推荐、营销策略优化，或许在信用决策方面或预测一台失效状态的设备方面还有待提高，但不管怎么说，都是基于同样的算法类型，以便我们能应用等式左端的——即产生的数据，到等式的右端——可行动的应用，我们就需要让这一切变得尽可能快速和高效。所以企业基本是这一切应用中头等优先发展的部分、数据技术的部分我们仍然需要不断改善，找到更好的算法，发展更合适的算法。但这两者是相互联系的，没有实际的应用程序，你也就不会在企业环境中取得成功。所以在预测性分析和机器学习领域，要少些考虑科学方面的考量，更多些思考应用和IT的层面。

我们真正需要的是自动化决策

如果让我给你们一些在未来如何成功应用人工智能的小建议，我想说把数据科学从你的IT环境中剥离出去，以最大程度的工具的可延展性研究你的发展模型，寻找其中最合适的工具来构建你的人工智能模型。

比如我们针对深度学习的TensorFlow开源算法，或者商用应用程序如IBM的SPSS和SASS，这些与怎样构建你的模型无关，在商业领域快速部署这些成熟模型才是成功关键。如果你还没听过一套开放标准叫PMML，即预测模型标记语言，可以了解一下这个，这是一套应用程序和标准，用来应用模型、修改模型、在不同商家和工具间交换模型等。

一旦你部署了模型，而且目的是无论商业程序是怎样的，所需的只要一个基于人工智能的决策，我认为无疑会成功地实现自动化决策，而不用再看着繁杂的仪表和报告。所以我们真正需要的基于数据的东西，是自动化决策。所以将你的商业程序与微型服务器架构整合，比如网络服务等，你将会在微观层面有更智能的决策，从而使你的商业程序更高效、更智慧。

本文由凤凰文创原创，转载请注明出处、署名